• KinD
• • • Paper
    • 环境要求
    • 最终结果
    • 结构目录
    • 快速启动
    • 测试
    • Citation

KinD

KinD的Tensorflow实现

Kindling the Darkness: a Practical Low-light Image Enhancer. In ACMMM2019
Yonghua Zhang, Jiawan Zhang, Xiaojie Guo

Paper

环境要求

1. Python
2. TensorFlow == 1.15.0
3. numpy
4. pillow
5. Ascend 910

最终结果

	PSNR	SSIM
比赛精度基线	20	0.75
Paper精度基线	20.8665	0.8022
Ours（Ascend 910）	21.7097	0.8864

结构目录

|-- checkpoint                                  ----模型存放路径
    |--decom_net_train                          ----自动生成的模型存放路径
    |--illumination_adjust_net_train            ----自动生成的模型存放路径
    |--Restoration_net_train                    ----自动生成的模型存放路径
|-- figures                                     ----展示图片存放路径
|-- LOLdataset                                  ----数据集存放路径（由下载的数据集解压得到）
|-- test                                        ----示例图片存放文件夹
|-- adjustment_net_train.py                     ----网络模型文件 
|-- calculate_ssim_psnr.py                      ----验收指标计算文件 
|-- decomposition_net_train.py                  ----网络模型文件 
|-- evaluate_LOLdataset.py                      ----LOLdataset数据集评估文件 
|-- evaluate.py                                 ----评估文件 
|-- model.py                                    ----网络模型文件 
|-- README.md                                   ----使用前必读
|-- reflectance_restoration_net_train.py        ----网络模型文件 
|-- train_testcase.sh                           ----NPU训练启动shell
|-- utils.py                                    ----其他作用文件 

快速启动

在本级目录下，执行如下命令：
0. 下载数据集
首先，下载数据集压缩包：数据集可以从这里下载 BaiduNetdisk or google drive（该数据集压缩包将LOL数据集的训练对保存在“./LOLdataset/our485/”下，并将评估对保存在“./LOLdataset/eval15/”下）
其次，将得到的LOLdataset_and_expo.zip放到本级代码目录下，之后执行如下命令解压缩即可
unzip LOLdataset_and_expo.zip

1. 激活环境

   source activate /home/ma-user/miniconda3/envs/TensorFlow-1.15.0/

2. 运行脚本，运行时间大概需要30719s，请耐心等待

   bash train_testcase.sh

3. 查看结果
   cat calculate_ssim_psnr.log

在打印的最后，可以看到我们的结果为

##### Test Average SSIM: 0.8864641895358436 #####
##### Test Average PSNR: 21.709714716708934 #####

测试

如果您想直接进行测试，我们也提供了解决方案。

首先，下载预训练模型 BaiduNetdisk or google drive, 之后运行

python evaluate.py

我们预先训练过的模式已经改变了。因此，结果与本文的报告有一定的差异。但是，可以调整照明率以获得更好的效果。

我们的代码部分参考了 code.

Citation

@inproceedings{zhang2019kindling,
 author = {Zhang, Yonghua and Zhang, Jiawan and Guo, Xiaojie},
 title = {Kindling the Darkness: A Practical Low-light Image Enhancer},
 booktitle = {Proceedings of the 27th ACM International Conference on Multimedia},
 series = {MM '19},
 year = {2019},
 isbn = {978-1-4503-6889-6},
 location = {Nice, France},
 pages = {1632--1640},
 numpages = {9},
 url = {http://doi.acm.org/10.1145/3343031.3350926},
 doi = {10.1145/3343031.3350926},
 acmid = {3350926},
 publisher = {ACM},
 address = {New York, NY, USA},
 keywords = {image decomposition, image restoration, low light enhancement},
}